-
Notifications
You must be signed in to change notification settings - Fork 0
/
data_preprocessing.py
166 lines (161 loc) · 7.14 KB
/
data_preprocessing.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
#%%
# import torch
import pandas as pd
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torch.optim.lr_scheduler import ReduceLROnPlateau
from tqdm import tqdm
from nltk import flatten
import numpy as np
import matplotlib.pyplot as plt
import copy
#%%
dataframe = pd.read_excel('aquila.xls')
dataframe.head()
# %%
len(dataframe.columns)
#%% turn coordinates to float and normalize ################################################
coordinates_columns = ['coordinate_lat', 'coordinate_lon']
def coord_to_float(coord):
coord = str(coord)
if coord != 'nan':
#split after dot and take first element
coord = coord.split('.')[0]
# add a dot after second number
coord = coord[:2] + '.' + coord[2:]
return float(coord)
else:
return float(coord)
for column in coordinates_columns:
dataframe[column] = dataframe[column].apply(coord_to_float)
#drop rows with 0.0 coordinates
dataframe = dataframe.dropna(subset=[column])
#normalize coordinates
mean_coord = dataframe[column].mean()
std_coord = dataframe[column].std()
dataframe[column] = (dataframe[column] - mean_coord) / std_coord
print(dataframe[column].head())
# %% Select columns ##########################################################
x_columns = ['coordinate_lat',
'coordinate_lon',
'identificativoposizioneedificio',
# 'sez3_regolarita2',
# 'sez3_rinforzata',
'sez3_struttura_orizzontale_1',
'sez2_altezzamediapiano',
'sez2_pianiinterrati',
# 'sez3_mista',
'sez3_struttura_verticale_1',
'sez2_numeropiani',
# 'sez3_catene_o_cordoli_1',
'sez2_superficiepiano',
# 'sez3_regolarita1',
'sez3_pilastriisolati',
# 'sez3_struttura_verticale_2',
'sez2_costruzioneristrutturazione1',
# 'sez3_catene_o_cordoli_2',
# 'sez3_struttura_orizzontale_2',
# 'sez2_costruzioneristrutturazione2',
'sez7_morfologia_versante'
]
y_columns = ['sez4_danno_strutturale_strutture_verticali',
'sez4_danno_strutturale_scale',
'sez4_danno_strutturale_tamponature_tramezzi',
'sez4_danno_strutturale_copertura',
'sez4_danno_strutturale_solai'
]
y_columns = ['sez4_danno_strutturale_scale']
Y_SIZE = len(y_columns)
# %% reorganize dataframe ##########################################################
dataframe_x = dataframe[x_columns]
dataframe_y = dataframe[y_columns]
dataframe = pd.concat([dataframe_x, dataframe_y], axis=1)
print(len(dataframe.columns))
dataframe.head()
# %% # count nan in columns
for column in dataframe.columns:
print(column, dataframe[column].isnull().sum())
# %% # save unique entries for each column in pandas dataframe
unique_values_dict = {}
for column in dataframe.columns:
if column in coordinates_columns:
continue
column_uniques = dataframe[column].unique() if type(dataframe[column]) == pd.Series else dataframe[column].iloc[:,0].unique()
unique_values_dict[column] = column_uniques
# %% display unique values for each column and save as xls
print(unique_values_dict)
# transform dictionary to dataframe
unique_values_df = pd.DataFrame.from_dict(unique_values_dict, orient='index')
# save as xls
unique_values_df.to_excel('unique_values.xls')
# %% Turn categorical damage data to scalar score ##########################################
damage_scores_dict = {'Danno Nullo':0,
'Danno D1 Leggero:<1/3':1,
'Danno D2-D3 Medio-Grave:<1/3':2,
'Danno D4-D5 Gravissimo:<1/3':4,
'Danno D4-D5 Gravissimo:<1/3, Danno D2-D3 Medio-Grave:1/3-2/3':8,
'Danno D4-D5 Gravissimo:1/3-2/3':8,
'Danno D2-D3 Medio-Grave:1/3-2/3':4,
'Danno D4-D5 Gravissimo:1/3-2/3, Danno D2-D3 Medio-Grave:<1/3':10,
'Danno D4-D5 Gravissimo:<1/3, Danno D1 Leggero:<1/3':5,
'Danno D1 Leggero:1/3-2/3':2,
'Danno D2-D3 Medio-Grave:>2/3':6,
'Danno D4-D5 Gravissimo:<1/3, Danno D2-D3 Medio-Grave:<1/3':6,
'Danno D2-D3 Medio-Grave:<1/3, Danno D1 Leggero:<1/3':3,
'Danno D2-D3 Medio-Grave:1/3-2/3, Danno D1 Leggero:<1/3':5,
'Danno D4-D5 Gravissimo:>2/3':15, #rule exeption
'Danno D4-D5 Gravissimo:1/3-2/3, Danno D2-D3 Medio-Grave:1/3-2/3':12,
'Danno D4-D5 Gravissimo:<1/3, Danno D2-D3 Medio-Grave:>2/3':10,
'Danno D1 Leggero:>2/3':3,
'Danno D2-D3 Medio-Grave:<1/3, Danno D1 Leggero:>2/3':5,
'Danno D4-D5 Gravissimo:<1/3, Danno D2-D3 Medio-Grave:<1/3, Danno D1 Leggero:<1/3':7,
'Danno D2-D3 Medio-Grave:<1/3, Danno D1 Leggero:1/3-2/3':4,
'Danno D4-D5 Gravissimo:>2/3, Danno D2-D3 Medio-Grave:<1/3':14,
'Danno D4-D5 Gravissimo:<1/3, Danno D1 Leggero:1/3-2/3':6,
'Danno D4-D5 Gravissimo:>2/3, Danno D1 Leggero:<1/3':13,
'Danno D4-D5 Gravissimo:1/3-2/3, Danno D1 Leggero:1/3-2/3':9,
'nan':0}
#sort dictionary by value
damage_scores_dict = {k: v for k, v in sorted(damage_scores_dict.items(), key=lambda item: item[1])}
damage_scores_dict
# %% Count types of damage
dataframe[y_columns[0]].value_counts()
# %% Various functions to transform data into onehot encoding ##############################################################
def find_unique_positions(column, x, unique_values_dict):
return list(unique_values_dict[column]).index(x)
def int_to_onehot(column, x, unique_values_dict):
onehot = [0]*(len(unique_values_dict[column]))
onehot[x] = 1
return onehot
def turn_to_numeric(dataframe, columns_exeptions = [], unique_values_dict = {}):
for column in dataframe.columns:
if column in columns_exeptions:
continue
print(column)
dataframe[column] = dataframe[column].apply(lambda x: find_unique_positions(column=column, x=x, unique_values_dict=unique_values_dict))
return dataframe
def numeric_to_onehot(dataframe, columns_exeptions = [], unique_values_dict = {}):
for column in dataframe.columns:
if column in columns_exeptions:
continue
dataframe[column] = dataframe[column].apply(lambda x: int_to_onehot(column=column, x=x, unique_values_dict=unique_values_dict))
return dataframe
def onehot_to_signature(dataframe, Y_SIZE = Y_SIZE):
signature_df = {'x':[], 'y':[]}
for i in tqdm(range(len(dataframe))):
signature_x = [onehot for onehot in dataframe.iloc[i,:-Y_SIZE]]
signature_y = [onehot for onehot in dataframe.iloc[i,-Y_SIZE:]]
signature_df['x'].append(flatten(signature_x))
signature_df['y'].append(flatten(signature_y))
return pd.DataFrame(signature_df)
# %%
dataframe = turn_to_numeric(dataframe, columns_exeptions=coordinates_columns, unique_values_dict = unique_values_dict)
dataframe = numeric_to_onehot(dataframe, columns_exeptions=coordinates_columns, unique_values_dict = unique_values_dict)
dataframe = onehot_to_signature(dataframe)
#%%
dataframe.head()
#%% save dataframe
# dataframe.to_csv('dataframe_signature.csv', index=False)
# %%